「3D场景理解」共找到 4312 篇相关文章
5秒完成3D场景编辑，北大&港中文&上海AI Lab搞出VGGT-Edit，120倍加速太炸了
北大、港中文等团队提出原生3D编辑框架VGGT-Edit，不再绕回2D，直接在3D空间编辑。它采用残差场预测等机制，在DeltaScene测试集表现出色，单次编辑约5秒，最高120倍加速。
清华深研院等开源GUAVA：单图0.1秒出3D形象，打破数字人天花板
清华深研院和国际数字经济研究院的中国团队开源GUAVA，单图0.1秒就能生成3D形象，在速度、效果和成本上远超传统数字人制作流程。它结合EHM模型和3D高斯泼溅技术，有诸多应用场景。
AI教母李飞飞空间智能开源大动作：上亿节点3D高斯场景塞进手机网页
AI教母李飞飞的空间智能公司World Labs开源3D高斯泼溅网络渲染器Spark 2.0，打破硬件与平台壁垒，将亿级渲染能力带到网页和移动端，解决Web端痛点，还采用三大核心技术系统及更多黑科技。
理解
作者以研究‘理解’概念为切入点，借助侯世达思想提出理解是脑海中‘云’的形状，其形成有横向相似度与纵向抽象度两个方向，并结合费曼说法等阐述‘云’视角下的理解。
核心AI场景首超英伟达，一场国产算力的“破局叙事”｜甲子光年
1月26日，天数智芯公布四代架构路线图，其2025年的天数天枢架构，在DeepSeek V3场景实测性能领先英伟达Hopper约20%。该企业以技术创新、解决行业痛点等构建新范式，产品全场景布局且已规模化落地。
字节Seed提出M3-Agent：像我们一样"记住"与"思考"的长视频理解新范式
字节Seed提出M3 - Agent，这是首个融合实时视听输入、类人记忆构建与自主推理的多模态智能体。它模仿人类记忆机制，解决长视频理解痛点，已被CVPR 2025收录并开源代码，为通用人工智能奠定基础。
GPT-6 Astra搓3D刷屏后，3D生成的竞争规则变了
GPT-6 Astra靠Agent一键生成3D内容刷屏后，引发通用大模型是否会取代专业3D生成模型的讨论。本文实测影眸Hyper3D新上线的Agentic Mode，分析3D行业在Agent时代的全新竞争标准。
ICML 2025 | 长视频理解新SOTA！蚂蚁&人大开源ViLAMP-7B，单卡可处理3小时视频
在视觉语言模型取得突破的当下，长视频理解挑战凸显。蚂蚁和人大团队提出视觉语言大模型ViLAMP，采用‘混合精度’策略，在多基准测试中超越现有方案，单卡可处理3小时视频，为实际应用带来新可能。
「世界理解」维度看AI视频生成：Veo3和Sora2水平如何？新基准来了
近年来，T2V模型进展显著，Sora2爆火引发对其是否为‘世界模型’的探讨。传统基准无法系统衡量模型对事件因果等的理解，中山大学等团队提出新评测框架VideoVerse，评测主流模型并发现开源与闭源模型差距及各模型缺陷。
三维空间太难懂？RoboTracer让机器人理解复杂空间指令，推理3D空间轨迹，开放世界也能精确行动
家庭环境复杂，让机器人理解空间指令难，现有VLM多聚焦2D推理。北航、北大等联合推出多模态大模型RoboTracer，能精准生成3D轨迹，在多项评测中领先，还能直接集成到机器人，完成复杂任务。